Jeu de données phénotypiques multimodales de la fatigue au volant

Pourquoi rester éveillé au volant compte

Les longs trajets peuvent progressivement épuiser notre vigilance, transformant un déplacement banal en une situation dangereuse. La conduite en état de somnolence est associée à des milliers d’accidents, de blessures et de décès chaque année, et pourtant nous manquons encore de moyens fiables pour déterminer exactement quand un conducteur passe de concentré à fatigué. Cette étude présente un nouveau jeu de données public riche conçu pour aider les scientifiques à construire des systèmes plus intelligents capables de lire les signaux d’alerte du corps et de déclencher des avertissements opportuns avant qu’un conducteur fatigué ne commette une erreur fatale.

Un regard détaillé à l’intérieur du conducteur fatigué

Les chercheurs ont créé ce qu’ils appellent le Multimodal Phenotyping Dataset of Driving Fatigue (MPD-DF), une collection de mesures détaillées provenant de 50 volontaires adultes ayant effectué une conduite simulée de deux heures sur autoroute. Plutôt que de se fier uniquement à l’auto-évaluation de la somnolence ou au mouvement du véhicule, l’équipe a enregistré plusieurs types de signaux corporels simultanément : l’activité électrique du cerveau (EEG), du cœur (ECG), les mouvements oculaires (EOG) et l’effort respiratoire via une ceinture thoracique. Les participants ont également rempli des questionnaires sur leur santé, leurs habitudes de sommeil et leur préférence naturelle pour le matin ou le soir. Ensemble, ces éléments forment un instantané complet de la façon dont la fatigue s’accumule derrière le volant.

Comment l’expérience a été menée

Tous les volontaires ont été présélectionnés pour être généralement en bonne santé, bien reposés et sans caféine avant le test. Dans un laboratoire contrôlé, chaque personne s’est installée à un simulateur de conduite simple montrant une autoroute peu encombrée avec des voies principalement droites — un contexte connu pour favoriser la monotonie soporifique. Ils ont conduit pendant environ deux heures à une vitesse basse et constante pendant que leur activité cérébrale, cardiaque, oculaire et respiratoire était enregistrée en continu, ainsi que de la vidéo. L’éclairage, la température et le niveau sonore de la pièce ont été soigneusement maintenus dans des limites confortables afin que les variations des signaux reflètent principalement la montée de la fatigue plutôt que de l’inconfort ou des distractions.

Transformer les ondes cérébrales en niveaux de fatigue

Un élément clé qui distingue ce jeu de données est la manière dont la fatigue a été étiquetée. Un médecin expérimenté en médecine du sommeil a examiné le signal EEG de chaque conducteur et a attribué, chaque seconde, l’un des cinq états suivants : éveil, trois stades croissants de fatigue, puis finalement sommeil léger. Ces stades se basaient sur des motifs bien connus des ondes cérébrales, tels que l’augmentation ou la diminution de certains rythmes et l’apparition de caractéristiques liées au sommeil. L’expert a également marqué les périodes où les signaux étaient bruyants ou peu fiables. Lorsqu’ils ont examiné l’ensemble des 50 enregistrements, ils ont constaté que presque tous sont devenus mesurablement fatigués et certains sont même tombés en sommeil, confirmant que le protocole de conduite induisait réellement de la somnolence.

Vérification de la qualité des signaux et premiers tests d’algorithmes

Pour s’assurer que les données sont réellement utiles pour la recherche future, les auteurs ont inspecté rigoureusement les signaux. Ils ont montré que les tracés cérébraux, cardiaques, oculaires et respiratoires présentaient toutes les formes attendues et variaient naturellement dans le temps. En cartographiant l’activité cérébrale sur le cuir chevelu, ils ont observé des déplacements cohérents dans différentes bandes de fréquence à mesure que les conducteurs devenaient plus fatigués, renforçant l’idée que l’EEG est particulièrement sensible à la fatigue. L’équipe a ensuite fourni chaque type de signal séparément à un modèle d’apprentissage profond existant conçu pour distinguer les périodes « alertes » des périodes « fatiguées ». Même avec cette configuration simple, le modèle a correctement classé plus de 80 % des cas pour chaque type de signal, l’EEG offrant les meilleures performances, ce qui suggère que les étiquettes et les enregistrements contiennent une forte information sur l’état du conducteur.

Pourquoi ce jeu de données pourrait transformer la sécurité routière

Pour les lecteurs, l’essentiel est que le MPD-DF fournit aux scientifiques et aux ingénieurs une base puissante et ouverte pour développer de meilleurs systèmes de détection de la fatigue. Parce qu’il combine plusieurs signaux corporels, des questionnaires détaillés et des jugements d’expert seconde par seconde, il peut aider les chercheurs à examiner comment et quand différentes personnes deviennent dangereusement somnolentes — et à tester si leurs algorithmes fonctionnent sur de nombreux individus. À long terme, les connaissances tirées de ce jeu de données pourraient soutenir des moniteurs embarqués plus intelligents, des simulateurs de conduite plus réalistes et des avertissements personnalisés incitant les conducteurs fatigués à se reposer avant qu’une tragédie ne survienne.

Citation: Li, J., Fu, C., Tang, J. et al. Multimodal Phenotyping Dataset of Driving Fatigue. Sci Data 13, 289 (2026). https://doi.org/10.1038/s41597-026-06634-4

Mots-clés: fatigue au volant, surveillance EEG, conduite somnolente, signaux physiologiques, sécurité du conducteur